Las células solares de perovskita (PSC) ocupan un lugar importante en las nuevas tecnologías de celdas solares debido a su alto rendimiento. En este trabajo se presenta un método inteligente de optimización del proceso de fabricación de PSC basado en el aprendizaje automático (ML) para superar las limitaciones de los métodos tradicionales de ensayo y error en el aumento de la eficiencia de conversión de energía (PCE). A través de la construcción de un modelo de predicción PCE utilizando varios algoritmos de ML, se seleccionó un modelo de aumento de gradiente (GB) con excelentes resultados, seguido de un análisis visual SHAP (explicaciones aditivas de Shapley) y verificación experimental. Los resultados experimentales muestran que las experimentaciones guiadas por los resultados del modelo lograron que el PCE para PSC llegara al 21,81%. Este trabajo resuelve eficazmente las limitaciones de los métodos tradicionales de ensayo y error, y supera los desafíos de la baja precisión de predicción de PSC mediante el aprendizaje automático, proporcionando una nueva perspectiva y bases científicas para el rápido desarrollo de PSC de alta PCE, y sirviendo como referencia para el desarrollo de otras nuevas tecnologías de celdas solares.

Células solares de perovskita; aprendizaje automático; análisis SHAP; predicción de la eficiencia de conversión de energía